Rocket Close accélère 15 fois le traitement des documents hypothécaires grâce à AWS

Rocket Close montre que même l'étape la plus lourde du processus hypothécaire, l'analyse des documents, peut être radicalement accélérée en combinant OCR et modèles génératifs. Avec l'AWS Generative AI Innovation Center, l'entreprise a bâti un système reposant sur Amazon Textract et Amazon Bedrock. Résultat : un traitement 15 fois plus rapide et une précision cumulée d'environ 90% sur la segmentation, la classification et l'extraction de champs.

Pour un acteur du crédit immobilier, il ne s'agit pas d'une amélioration cosmétique. Un même dossier peut contenir des formulaires de demande, des relevés, des justificatifs de revenus, des documents d'information réglementaire et d'autres pièces, reçus sous forme de scans, de PDF ou de photos. Leur structure, leur qualité et leur mode de remplissage varient. Une bonne partie du temps passe donc non pas à prendre une décision, mais à chercher les bonnes pages, à reconnaître le texte et à reporter les données clés dans les outils métier. C'est à ce stade que s'accumulent le plus souvent les retards et les erreurs manuelles.

La solution de Rocket Close découpe la tâche en plusieurs étapes claires. Amazon Textract se charge de l'OCR : il extrait le texte et la structure des documents, y compris les tableaux, les formulaires et les scans de mauvaise qualité. Amazon Bedrock mobilise ensuite des foundation models pour une logique plus complexe. Il ne suffit pas de lire une page : il faut comprendre de quel document il s'agit, à quel dossier il appartient, où commence une nouvelle section et quels champs comptent vraiment pour la suite du traitement. Cette pile transforme un flux de fichiers hétérogènes en un processus plus prévisible et lisible par une machine.

L'enjeu ne tient pas seulement à la vitesse, mais aussi au niveau d'automatisation. Le gain annoncé de 15x en temps signifie que les équipes peuvent traiter plus vite les dossiers volumineux, et qu'une partie des vérifications routinières sort du mode manuel. Le chiffre d'environ 90% de précision globale compte aussi : il ne porte pas sur une seule métrique étroite, mais sur trois fonctions à la fois, à savoir la segmentation des documents, leur classification et l'extraction de champs.

Pour un workflow d'entreprise, c'est bien plus utile qu'un OCR performant mais incapable de comprendre le contexte. C'est d'autant plus crucial qu'un seul document manquant ou mal reconnu peut renvoyer une demande en arrière et relancer toute la chaîne de validation.

Le rôle de l'AWS Generative AI Innovation Center mérite d'être souligné. Ce type de projet se résume rarement à un simple appel de modèle via une API. Il faut choisir l'architecture, découper le processus en étapes, déterminer où l'OCR classique suffit et où un niveau de reasoning est nécessaire, puis relier l'ensemble aux exigences de qualité et de résilience opérationnelle. À en juger par le résultat, le partenariat avec l'équipe d'AWS a permis à Rocket Close de passer plus vite de l'idée à un système exploitable dans une vraie chaîne documentaire, et pas seulement dans des scénarios pilotes.

Pour le marché, c'est un exemple de plus de la manière dont l'IA générative quitte les interfaces de chat de démonstration pour gagner les processus de back-office, discrets mais coûteux pour les entreprises. Dans le crédit immobilier, le coût d'un retard est particulièrement visible : plus un dossier circule longtemps dans la chaîne de contrôles, plus la charge pèse sur l'équipe et plus l'expérience client se dégrade. Si les documents sont analysés plus vite et de façon plus fiable, l'entreprise gagne du temps, mais obtient aussi des délais de transaction plus prévisibles, moins de transferts manuels entre équipes et un meilleur contrôle de la qualité des données.

La conclusion est simple : dans les services financiers, la valeur de la GenAI se mesure de plus en plus non pas à des démos spectaculaires, mais à sa capacité à éliminer la routine dans des goulets d'étranglement opérationnels précis. Le cas Rocket Close montre que le tandem OCR et foundation models produit déjà des résultats mesurables là où il fallait auparavant des heures de traitement manuel. Pour les acteurs qui gèrent d'importants volumes de documents, c'est le signal qu'il faut regarder au-delà des chatbots, vers les processus internes où l'automatisation a un effet opérationnel direct.